ベンチマーク - 亜美と智也のAI論文解説 - Page 6

7月 17 2026

画像付きIssueからコード位置を特定するベンチマーク「MM-IssueLoc」の紹介

投稿者: ユウ

TL;DR MM-IssueLocは、Issueに添付されたスクリーン…

7月 17 2026

構造工学エージェントの証拠連鎖を検証するStructureClaw

投稿者: ユウ

TL;DR StructureClawは、LLMエージェントが構造工学…

7月 17 2026

PROBE：コード生成LLMを3軸で評価するベンチマークフレームワーク

投稿者: ユウ

TL;DR PROBEは、LLMによるコード生成を「機能的正当性」「正…

7月 16 2026

AgentCompass：エージェント評価を統合する軽量フレームワーク

投稿者: ユウ

TL;DR AgentCompassは、LLMベースのエージェント評価…

7月 15 2026

メモリ操作のライフサイクルで診断するLLM長期会話の弱点

投稿者: ユウ

TL;DR MemOpsは、LLMエージェントの長期記憶を「覚える」「…

7月 15 2026

高度な数学証明の生成と検証を評価するベンチマークスイート

投稿者: ユウ

TL;DR AdvancedMathBenchは、LLMの高度な数学証…

7月 15 2026

スポーツ映像理解の新ベンチマーク：複数カメラを活用するエージェントフレームワーク

投稿者: ユウ

TL;DR 既存のMLLMは単一視点の動画理解に優れるが、スポーツでは…

7月 12 2026

PREDICATELONGBENCH：述語制約で長文LLMの限界を多軸評価するベンチマーク

投稿者: ユウ

TL;DR PREDICATELONGBENCHは、LLMの長文理解を…

7月 10 2026

論文のアイデア継承を評価するベンチマーク「IdeaGene-Bench」

投稿者: ユウ

TL;DR IdeaGene-Benchは、論文のアイデアを「Idea…

7月 10 2026

物理制約で信頼性を評価：分散エネルギー市場向けエージェントAIベンチマーク

投稿者: ユウ

TL;DR SolarChain-Evalは、分散エネルギー市場におけ…

亜美と智也について・このサイトの計測について